MétaCan
Menu
Retour à la cohorte
Enregistrement W4380997511 · doi:10.5194/tc-17-2367-2023

Mapping snow depth on Canadian sub-arctic lakes using ground-penetrating radar

2023· article· en· W4380997511 sur OpenAlexafffundabout
Alicia Pouw, Homa Kheyrollah Pour, Alex MacLean

Notice bibliographique

Revue˜The œcryosphere · 2023
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueArctic and Antarctic ice dynamics
Établissements canadiensWilfrid Laurier University
Organismes subventionnairesGlobal Water FuturesNatural Sciences and Engineering Research Council of CanadaCanada Excellence Research Chairs, Government of CanadaEnvironment and Natural Resources, Northwest TerritoriesPolar Knowledge Canada
Mots-clésSnowSnowpackGround-penetrating radarTransectGeologyArcticSnow fieldPhysical geographyEnvironmental scienceHydrology (agriculture)RadarGeomorphologyOceanographySnow coverGeography

Résumé

récupéré en direct d'OpenAlex

Abstract. Ice thickness across lake ice is mainly influenced by the presence of snow and its distribution, which affects the rate of lake ice growth. The distribution of snow depth over lake ice varies due to wind redistribution and snowpack metamorphism, affecting the variability of lake ice thickness. Accurate and consistent snow depth data on lake ice are sparse and challenging to obtain. However, high spatial resolution lake snow depth observations are necessary for the next generation of thermodynamic lake ice models to improve the understanding of how the varying distribution of snow depth influences lake ice formation and growth. This study was conducted using ground-penetrating radar (GPR) acquisitions with ∼9 cm sampling resolution along transects totalling ∼44 km to map snow depth over four Canadian sub-arctic freshwater lakes. The lake snow depth derived from GPR two-way travel time (TWT) resulted in an average relative error of under 10 % when compared to 2430 in situ snow depth observations for the early and late winter season. The snow depth derived from GPR TWTs for the early winter season was estimated with a root mean square error (RMSE) of 1.6 cm and a mean bias error of 0.01 cm, while the accuracy for the late winter season on a deeper snowpack was estimated with a RMSE of 2.9 cm and a mean bias error of 0.4 cm. The GPR-derived snow depths were interpolated to create 1 m spatial resolution snow depth maps. The findings showed improved lake snow depth retrieval accuracy and introduced a fast and efficient method to obtain high spatial resolution snow depth information. The results suggest that GPR acquisitions can be used to derive lake snow depth, providing a viable alternative to manual snow depth monitoring methods. The findings can lead to an improved understanding of snow and lake ice interactions, which is essential for northern communities' safety and wellbeing and the scientific modelling community.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesCharge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,509
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,022
Tête enseignante GPT0,216
Écart entre enseignants0,194 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations10
Publié2023
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revue˜The œcryosphereMême sujetArctic and Antarctic ice dynamicsTravaux en français237 207